使用Python完成机器学习课程 Complete Machine Learning Course With Python

本课程提供了机器学习和统计模式识别的广泛介绍。主题包括：监督学习（生成/判别学习，参数化/非参数化学习，支持向量机）；无监督学习（聚类，降维，核方法）；学习理论（偏差/方差权衡；VC理论；大边界）；获得完整的机器学习工具集，以解决大多数现实世界问题了解各种回归、分类和其他机器学习算法的性能指标，如R平方、MSE、准确性、混淆矩阵等，以及何时使用它们。通过装袋、提升或堆叠结合多个模型利用无监督机器学习（ML）算法，如层次聚类、k均值聚类等，来理解你的数据在Spyder和各种IDE中进行开发用Matplotlib和Seaborn进行视觉和有效的沟通为了改善算法预测，工程新特性利用训练/测试、K折和分层K折交叉验证来选择正确的模型，并预测模型在未知数据上的表现使用SVM进行手写识别和分类问题使用决策树预测员工流失等等！不需要机器学习。虽然有一些基本的Python经验会有所帮助，但不需要任何先前的Python知识，因为所有代码将提供，并且讲师将逐行讲解，你将在问答区获得友好的支持。如果你想要跟上机器学习的浪潮，并享受数据科学家的薪水，那么这门课程就是为你准备的！参加这门课程，成为一名机器学习工程师！

MP4 | 视频：h264，1920×1080 | 音频：AAC，44.1千赫
语言：英语 | 大小：7.53 GB | 课程时长：11小时36分钟

学习如何使用不同数据集在Python中创建机器学习算法

你将学到什么
解释约15种不同数据集的机器学习算法以及15个练习任务
监督学习和无监督学习模型，主成分分析（PCA）
用强大的机器学习模型解决你的业务、工作或个人生活中的任何问题
训练机器学习算法以预测房价，识别手写，检测癌细胞等

要求
需要基本的Python编程知识
对线性代数和统计学有很好的理解

课程适用于有意愿和兴趣学习Python中的机器学习算法的任何人，希望选择数据科学、人工智能、机器学习、数据分析职业的任何人，希望超越基础知识并了解整个机器学习算法范围的任何人。

课程目录：
第1部分：介绍

讲座1 什么是机器学习

讲座2 学习机器学习所需的关键技能

讲座3 监督学习与无监督学习

讲座4 因变量与自变量

讲座5 本课程涵盖内容

讲座6 基本Python概念

第2部分：机器学习简介和Anaconda安装

讲座7 机器学习简介

讲座8 Anconda安装

第3部分：探索性数据分析

讲座9 什么是探索性数据分析（EDA）

讲座10 了解数据集的初始细节

讲座11 修改或删除不需要的数据

讲座12 检索数据

讲座13 统计信息

讲座14 绘制图形

讲座15 EDA作业

第4部分：异常值

讲座16 什么是异常值

讲座17 查找异常值

讲座18 IQR和处理异常值

第5部分：简单线性回归

讲座19 什么是回归

讲座20 什么是简单线性回归模型

讲座21 什么是R平方值

讲座22 简单线性回归程序-1

讲座23 简单线性回归程序-2（训练和测试数据）

第6部分：多元线性回归

讲座24 什么是多元线性回归

讲座25 多元线性回归-程序1

第7部分：独热编码

讲座26 什么是独热编码

讲座27 独热编码-第一种方式

讲座28 独热编码-第二种方式

讲座29 独热编码-程序1

讲座30 独热编码-程序2（第三种方式）

第8部分：多项式线性回归

讲座31 什么是多项式线性回归

讲座32 多项式线性回归程序-1

第9部分：岭回归

讲座33 什么是偏差和方差

讲座34 什么是正则化

讲座35 岭回归-程序1

讲座36 岭回归-作业

第10部分：套索回归

讲座37 什么是套索回归和实践程序-1

第11部分：弹性网络回归

讲座38 什么是弹性网络回归和实践程序-1

第12部分：逻辑回归

讲座39 什么是逻辑回归和程序-1

第13部分：支持向量机（SVM）

讲座40 什么是支持向量机

第14部分：朴素贝叶斯分类

讲座41 什么是朴素贝叶斯分类

讲座42 朴素贝叶斯分类程序-1

讲座43 朴素贝叶斯分类程序-2

第15部分：KNN分类器

讲座44 KNN分类器定义及其实践程序-1

第16部分：决策树

讲座45 决策树定义及其程序-1

第17部分：随机森林

讲座46 随机森林定义及其实践程序-1

第18部分：K均值聚类（无监督模型）

讲座47 什么是K均值聚类

讲座48 K均值聚类程序-1

第19部分：Apriori算法

讲座49 什么是Apriori算法

第20部分：主成分分析（PCA）

讲座50 什么是主成分分析（PCA）

讲座51 主成分分析程序-1

讲座52 主成分分析程序-2

讲座53 主成分分析-作业

第21部分：K折交叉验证

讲座54 什么是K折交叉验证

讲座55 K折交叉验证程序-1

第22部分：模型选择

讲座56 什么是模型选择

讲座57 模型选择程序-1

第23部分：作业解决方案

讲座58 作业解决方案